[发明专利]分类模型的融合方法、装置及存储介质

说明书

本发明提供了一种分类模型的融合方法、装置、电子设备及存储介质；方法包括：通过第一分类模型对第二训练样本进行第一类别的分类预测，得到对应第二训练样本的第一分类结果；通过第二分类模型对第一训练样本进行第二类别的分类预测，得到对应第一训练样本的第二分类结果；以第一分类结果作为第二训练样本的第三标签，对第二训练样本进行标注，并以第二分类结果作为第一训练样本的第四标签，对第一训练样本进行标注；基于标注有第一标签及第四标签的第一训练样本，及标注有第二标签及第三标签的第二训练样本，训练第一融合分类模型；通过本发明，能够实现不同任务类别的分类模型的快速融合，提高融合分类模型的分类精度及性能。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种分类模型的融合方法、装置、电子设备及存储介质。

背景技术

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术，人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。其中，机器学习(ML，Machine Learning)是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习和归纳学习等技术。

在人工神经网络学习技术的研究过程中，发现神经网络模型的融合会带来分类精度、性能等方面的巨大提升，相关技术中，典型的分类模型的融合方案可以分为两类，测试阶段融合和训练阶段融合。对于第一类测试阶段融合的方法，待测样本通常需要经过多个分类模型，且最终输出是在多个分类模型的结果上求加权平均或者利用投票机制得到，从而导致机器内存占用过高、推理耗时过长。

对于第二类训练阶段融合的方法，通常假设多个分类模型是针对同一分类任务进行训练的，即不同分类模型所对应的训练样本均标注有相同的分类标签。但是对于不同任务间的分类模型进行融合时，每个分类模型是由标注有不同分类标签的训练样本训练所得到，因此该分类模型的融合方法是不适用的。

发明内容

本发明实施例提供一种分类模型的融合方法、装置、电子设备及存储介质，能够实现不同任务类别的分类模型的快速融合，提高融合分类模型的分类精度及性能。

本发明实施例的技术方案是这样实现的：

本发明实施例提供一种分类模型的融合方法，包括：

通过第一分类模型对第二训练样本进行第一类别的分类预测，得到对应所述第二训练样本的第一分类结果；其中，所述第一分类模型基于标注有第一标签的第一训练样本训练得到，所述第一标签对应所述第一类别；

通过第二分类模型对所述第一训练样本进行第二类别的分类预测，得到对应所述第一训练样本的第二分类结果；其中，所述第二分类模型基于标注有第二标签的第二训练样本训练得到，所述第二标签对应所述第二类别；

以所述第一分类结果作为所述第二训练样本的第三标签，对所述第二训练样本进行标注，并以所述第二分类结果作为所述第一训练样本的第四标签，对所述第一训练样本进行标注；

基于标注有所述第一标签及所述第四标签的所述第一训练样本，及标注有所述第二标签及所述第三标签的所述第二训练样本，训练第一融合分类模型，使得所述第一融合分类模型能够基于输入的待分类对象，进行所述第一类别和所述第二类别的分类预测，得到相应的分类结果。

本发明实施例还提供一种分类模型的融合装置，包括：

第一分类预测模块，用于通过第一分类模型对第二训练样本进行第一类别的分类预测，得到对应所述第二训练样本的第一分类结果；其中，所述第一分类模型基于标注有第一标签的第一训练样本训练得到，所述第一标签对应所述第一类别；